[논문 리뷰] End-to-End Multi-Tab Website Fingerprinting Attack: A Detection Perspective

Mantun Chen, Yongxin Chen외 4명|arXiv (Cornell University)|2022. 03. 12.

Internet Traffic Analysis and Secure E-voting인용 수 4

한 줄 요약

이 논문은 단일 탭 브라우징 가정과 수동 트레이스 컷팅 없이, 정제되지 않은 다중 탭 토르 트래픽에서 모니터링된 여러 웹사이트 트레이스를 동시에 국소화하고 분류하는 엔드 투 엔드 웹사이트 지문 검출(WFD) 모델을 제안한다. WFD 모델은 컴퓨터 비전에서의 객체 검출에 영감을 받아, 방어 트레이스에서 최대 80.56%의 mAP를 달성하며, 기반 빈도와 학습 데이터 크기가 변할 때에도 강건성을 유지한다.

ABSTRACT

Website fingerprinting attack (WFA) aims to deanonymize the website a user is visiting through anonymous networks channels (e.g., Tor). Despite of remarkable progress in the past years, most existing methods make implicitly a couple of artificial assumptions that (1) only a single website (i.e., single-tab) is visited each time, and (2) website fingerprinting data are pre-trimmed into a single trace per website manually. In reality, a user often open multiple tabs for multiple websites spontaneously. Indeed, this multi-tab WFA (MT-WFA) setting has been studied in a few recent works, but all of them still fail to fully respect the real-world situations. In particular, the overlapping challenge between website fingerprinting has never been investigated in depth. In this work, we redefine the problem of MT-WFA as detecting multiple monitored traces, given a natural untrimmed traffic data including monitored traces, unmonitored traces, and potentially unconstrained overlapping between them. This eliminates the above assumptions, going beyond the conventional single website fingerprint classification perspective taken by all previous WFA methods. To tackle this realistic MT-WFA problem, we formulate a novel Website Fingerprint Detection (WFD) model capable of detecting accurately the start and end points of all the monitored traces and classifying them jointly, given long, untrimmed raw traffic data. WFD is end-to-end, with the trace localization and website classification integrated in a single unified pipeline. To enable quantitative evaluation in our MT-WFA setting, we introduce new performance metrics. Extensive experiments on several newly constructed benchmarks show that our WFD outperforms the state-of-the-art alternative methods in both accuracy and efficiency by a large margin, even with a very small training set. Code is available at https://github.com/WFDetector/WFDetection

연구 동기 및 목표

• 기존 웹사이트 지문 공격가 단일 탭, 순차적 방문을 가정하고 수동으로 사전 컷팅된 트레이스를 사용하는 한계를 해결한다.
• 다중 탭 웹사이트 지문 검출을, 원시적이고 정제되지 않은 트래픽 내에서 모든 모니터링된 트레이스를 국소화하고 분류하는 검출 문제로 재정의한다.
• 트레이스 국소화와 웹사이트 분류를 동시에 최적화하는 통합형 엔드 투 엔드 딥 러닝 모델을 개발하여 별도의 국소화 및 분류 단계에서 발생하는 오류 전파를 방지한다.
• 실제 다중 탭 웹사이트 지문 검출 시나리오에서 겹치는 트레이스가 존재하는 상황을 고려한 새로운 평가 지표인 mAP 및 MBps를 도입한다.
• 기반 빈도, 다중 탭 트레이스당 단일 탭 트레이스 수, 소규모 학습 데이터 크기 등 다양한 조건에서의 강건성과 일반화 능력을 입증한다.

제안 방법

• 컴퓨터 비전에서의 객체 검출 원리를 응용하여, 각 모니터링된 웹사이트 트레이스를 장시간 트래픽 시퀀스 내 객체로 간주함으로써, 동시 국소화 및 분류가 가능하도록 한다.
• 공유 특징 추출, 스케일 인식, 이중 헤드 예측(경계 상자 회귀 및 클래스 분류)을 갖춘 통합 딥 러닝 아키텍처를 설계하고, 엔드 투 엔드로 훈련한다.
• 입력 차원을 줄이면서도 핵심 트래픽 패턴을 유지하기 위해, 새로운 컴팩트한 입력 표현 방식인 'Burst'를 제안하여 모델 효율성을 향상시킨다.
• 경량 기반 네트워크와 효율적인 헤드 설계를 활용해 고속 추론(최대 120 MBps)을 가능하게 하면서도 정확도를 손상시키지 않는다.
• 모니터링된, 비모니터링된, 겹치는 트레이스가 포함된 원시적이고 정제되지 않은 트래픽 데이터를 직접 학습하여, 시작/종료 타임스탬프와 웹사이트 레이블을 예측한다.
• 검출 정확도와 효율성을 현실적인 환경에서 평가하기 위해 주요 평가 지표로 평균 평균 정밀도(mAP)와 처리량(MBps)을 사용한다.

실험 결과

연구 질문

• RQ1 수동 트레이스 컷팅이나 순차적 방문 가정 없이, 단일 엔드 투 엔드 딥 러닝 모델이 정제되지 않은 토르 트래픽에서 겹치는 여러 웹사이트 트레이스를 효과적으로 검출할 수 있는가?
• RQ2 다양한 트레이스 겹침과 기반 빈도가 존재하는 현실적인 다중 탭 브라우징 조건에서, 제안된 WFD 모델은 최신 기술 대비 정확도와 효율성 측면에서 어떻게 성능을 내는가?
• RQ3 다중 탭 트레이스당 단일 탭 트레이스 수가 다양하거나 학습 데이터 크기가 변할 때, WFD 모델의 일반화 능력은 어느 정도인가?
• RQ4 특히 FRONT 노이즈를 포함한 GLUE 방어 메커니즘에 의해 방어된 상황에서, WFD 모델의 웹사이트 트레이스 검출 효과는 어떠한가?
• RQ5 제한된 데이터 수집 조건을 반영하는 소규모 데이터셋으로 훈련되었을 때, 모델은 높은 성능을 유지할 수 있는가?

주요 결과

• DS-19 GLUE 데이터셋에서 FRONT 방어 조건 하에서 WFD 모델은 80.56%의 mAP를 기록하여, 최고의 CDSB 시리즈 방법(15.81% mAP)을 크게 능가하며 방어에 대한 뛰어난 강건성을 입증한다.
• 훈련 시 다중 탭 트레이스당 단일 탭 트레이스가 3개 뿐이어도 WFD는 mAP가 60.55%에서 69.33% 사이를 유지하여, 재훈련 없이 다양한 탭 수에 대해 강력한 일반화 능력을 보인다.
• 소규모 학습 데이터 조건에서도 WFD는 최소 55.46%의 mAP를 기록하며, 정상 크기 데이터셋 대비 62.02%보다 낮지 않아, 낮은 데이터 환경에서도 뛰어난 데이터 효율성과 실용성을 입증한다.
• 모델의 추론 속도는 최대 120 MBps에 도달하며, 소규모 데이터로 훈련하는 데도 단 64분이면 완료되어 기존 기준 대비 훨씬 더 빠르며, 높은 효율성을 입증한다.
• 다중 탭 트레이스 내 단일 탭 트레이스 수가 증가할수록 성능이 향상되며, FRONT로 방어된 트래픽 비율이 감소함에 따라 이는 방어 메커니즘에 대한 내성을 보여준다.
• 기반 빈도(r)가 변할 때도 모델은 강건하게 유지되며, r가 증가할수록 성능이 향상됨에 따라 현실적인 브라우징 패턴에 뛰어난 적응성을 보인다.